δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Development of an IIoT system for predictive maintenance in an industrial environment based on machine learning techniques
Ανάπτυξη IΙοΤ συστήματος για προβλεπτική συντήρηση σε βιομηχανικό περιβάλλον με εφαρμογή τεχνικών μηχανικής μάθησης
Τα πλεονεκτήματα του ψηφιακού μετασχηματισμού των γραμμών παραγωγής ως μέρος της 4ης βιομηχανικής επανάστασης (Industry 4.0) είναι ευρέως διαδεδομένα αλλά η υιοθέτησης τους συνεχίζει να αποτελεί μία από τις κύριες προκλήσεις που αντιμετωπίζει η βιομηχανία στις μέρες μας κυρίως λόγω έλλειψης πόρων και γνώσεων. Σε αυτά τα πλαίσια, η συντήρηση των βιομηχανικών εγκαταστάσεων αποτελεί μια αναγκαία διαδικασία προκειμένου να διαφυλαχθεί η εύρυθμη και συνεχής λειτουργία της παραγωγικής δραστηριότητας, όμως μέχρι και σήμερα εξακολουθεί να βασίζεται στον επιτόπιο έλεγχο και σε χρονοπρογραμματισμένες εργασίες. Με την εφαρμογή ψηφιακών τεχνολογιών στον τομέα της συντήρησης μέσω της οργάνωσης ενός προγράμματος προβλεπτικής συντήρησης, η βιομηχανία έχει τη δυνατότητα να μεγιστοποιήσει την ωφέλιμη ζωή του εξοπλισμού καθώς και να δράσει έγκαιρα για την πρόληψη αστοχιών του. Σε αυτή τη προσπάθεια η ενσωμάτωση σύγχρονων συσκευών σε απαρχαιωμένο βιομηχανικό εξοπλισμό αποτελεί μια πρόκληση για τις βιομηχανίες.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μιας χαμηλού κόστους εφαρμογής ΙΙοΤ με σκοπό την προβλεπτική συντήρηση μηχανημάτων σε πραγματικό βιομηχανικό περιβάλλον. Συγκεκριμένα, σχεδιάστηκε και αναπτύχθηκε ένα σύστημα δειγματοληψίας αποτελούμενο από διάφορους αισθητήρες όπως επιταχυνσιόμετρο, αισθητήρες θερμοκρασίας και μικρόφωνο για τη συλλογή δεδομένων. Τα δεδομένα που συλλέχθηκαν αξιοποιήθηκαν στη συνέχεια για την τροφοδότηση ενός μοντέλου βαθιάς μάθησης LSTM-Αυτοκωδικοποιητή με σκοπό την ανίχνευση ανωμαλιών. Παρά το μικρό πλήθος δεδομένων που συλλέχθηκαν, το μοντέλο μπορεί να ανιχνεύσει μη φυσιολογικά δεδομένα. Τέλος προτείνονται τρόποι με τους οποίους το υπάρχον σύστημα μπορεί να βελτιωθεί.
The benefits of digital transformation of the industrial production as part of the Industry 4.0 are well-known. Still, their adoption continues to be one of the core challenges that the industry faces mainly due to the lack of resources and experienced personnel. In this context, maintenance is a required process to ensure the smooth and continuous operation of the production, but until today it is still based on on-site inspection by engineers. By applying digital technologies, a predictive maintenance program will enable the industry to maximize the life of the equipment and to act on time in order to prevent failures. In this effort, integrating modern devices into legacy industrial equipment is a challenge.
The purpose of this thesis is to develop a low-cost IIoT application for predictive maintenance of machinery in a real-world industrial environment. Specifically, a sampling system consisting of several sensors, such as an accelerometer, temperature sensors and a microphone for data collection was designed and developed. The collected data was then utilized to feed a deep-learning LSTM-autoencoder model for anomaly detection. Despite the small amount of data collected, the model can efficiently detect anomalies. Finally, ways in which the existing system can be improved are proposed.
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
Πανεπιστήμιο Πατρών
